因果推断主要分为两个框架模型:结构因果模型和潜在结果模型。
结构因果模型(Structure Causal Model):该框架核心是在一个已知的因果图中去做推断,其中因果图一般由专家知识定义,用DAG有向无环图表示,其中顶点代表变量,边代表因果关系。目前已有较为成熟的判断准则如后门准则(Back Door)、前门准则(Front Door)等去除其中的混淆,通过Do-Calculus 干预方式进行因果估计(Causal Estimation)。
一个对应的衍生技术是因果发现(Causal Discovery):基于条件独立性检测和现有的数据去定义因果图,使用现有的变量去频繁地做条件独立性等一系列的独立性判断来组合定义因果图,这是一个NP问题,可能会出现组合爆炸的问题。
潜在结果框架(Potential Outcome Framework):也称为Rubin因果模型(Rubin Causal Model,RCM),由统计学家Donald Rubin和经济学家Guido Imbens等人发展。核心是估算不同干预策略下的潜在结果(包括反事实结果),以评估实际的干预效果。该框架不需要明确所有变量的因果结构,无需完整的因果图,只需要知道其中一个关注变量对于输出是否有因果影响。该框架强调随机化实验,通过随机化帮助消除干扰因素的影响。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。